贝叶斯方法和频率方法的统计整合：称量方法 [已关闭]

问：

我不确定在哪里发布这个问题。我目前正在处理岩土工程数据（土壤参数），旨在获得真实且更安全的参数值。

为了实现这个目标，我开始使用 PyMC 为我的参数开发一个贝叶斯框架。然而，出于实际目的，当新数据可用时，其他人采用这种方法进行更新可能具有挑战性，因为并非每个人都熟悉 PyMC 或贝叶斯建模。为了解决这个问题，我选择了一种混合方法。

我已经完成了贝叶斯建模的基础工作，并打算将其作为“记录在案的先验知识”提供给其他人使用。他们可以利用这些知识使用新数据更新其参数值。这背后的基本原理是，虽然我可以访问可以探索的更大样本，但使用相同材料的同事可能会面临官僚主义的限制，限制他们收集特定的新数据点。从小数据集进行推理自然会导致高度不确定性。因此，我正在尝试在我们的工作环境中实现一个例程，让同事们可以权衡通过频率方法获得的新参数与从我的贝叶斯模型中得出的参数。

加权方法包括计算贝叶斯模型中的不确定性与其观测数据中的不确定性之间的比率，表示为 w = 1 - r，其中 are = sigma_model / sigma_sample。

我的主要问题是：贝叶斯频率方法和所提出的称重方法的混合在统计学上是否正确？有没有其他方法可以直接实现这种集成？